考虑不确定性的深度强化学习用于共享空间中自动驾驶车辆的人群导航
机器人学
2025-02-25 v1 人工智能
机器学习
系统与控制
系统与控制
摘要
在行人密集环境中低速自动驾驶车辆(AV)的安全、社会合规和高效导航需要考虑行人的未来位置以及他们与车辆和其他人的交互。尽管由于行人的未观测状态（如意图）导致其预测轨迹存在不可避免的不确定性，但现有的用于人群导航的深度强化学习(DRL)算法在使用预测轨迹指导策略学习时常常忽略这些不确定性。这种忽略限制了预测在偏离真实情况时的可用性。本文介绍了一种集成预测和规划的方法，该方法在无模型DRL算法的训练中融入了预测行人状态的不确定性。一种新颖的奖励函数鼓励AV尊重行人的个人空间，在接近时降低速度，并最小化与预测路径的碰撞概率。与之前的DRL方法不同，我们的模型专为在拥挤空间中运行的AV设计，在一个新颖的模拟环境中训练，该环境反映了与车辆共享空间中真实的行人行为。结果显示，与不考虑预测不确定性的最先进模型相比，碰撞率降低了40%，与行人的最小距离增加了15%。此外，该方法在性能和计算时间方面均优于纳入相同预测不确定性的模型预测控制方法，同时产生的轨迹更接近类似场景中的人类驾驶员。
引用
@article{arxiv.2405.13969,
title = {Uncertainty-Aware DRL for Autonomous Vehicle Crowd Navigation in Shared Space},
author = {Mahsa Golchoubian and Moojan Ghafurian and Kerstin Dautenhahn and Nasser Lashgarian Azad},
journal= {arXiv preprint arXiv:2405.13969},
year = {2025}
}
备注
Accepted for publication in IEEE Transactions on Intelligent Vehicles